运营部门一向是数据分析需求大户，而做过运营分析的同学，经常会觉得细节多，琐碎，很多问题相互纠缠在一起很难理清。那运营数据分析到底该怎么做才系统，高效？今天详细地分享一下。

从运营的工作特点说起。

运营工作，和销售、供应有明显区别。比如销售工作，核心关注收入、利润、转化率，能赚钱就行。比如供应，核心关注商品供应、库存周转、成本控制，不缺货，少积压就行。这些工作的目标聚焦，流程清晰。

继续阅读 →

内容运营，比内容本身更重要的是好的内容分发矩阵，运营需要了解各大平台的特点进行垂直化运营，同时结合数据分析，对内容进行有效推广。

本文主要分享如何建立内容分发矩阵，并对结合数据分析做好运营的方法进行总结，供大家一起参考学习。

在互联网企业中的内容运营，是一种运营手段，也是一种职能分工。主要通过原创、编辑、组织等手段，呈现产品内容，从而提高互联网产品的价值，让客户对产品产生一定的黏性。无论你的产品是何种形态，都是建立在内容的基础之上。

01 内容矩形阵是流量转化的轴承

通常线上内容运营有三个基本任务：曝光率，转化率和客户黏性，也就是你发出去一个内容后，能够覆盖多少人群，这其中有多少是与你的目标人群所匹配的，并且在你所提供的产品或服务中体现出来的，以及在持续的新内容出来后，又有多少人在继续关注和继续参与到你所设定的消费中来。

在增长为王的时代下，谁能引流更多精准粉丝，谁能让流量像水泵一样源源不断注入企业的私域流量池，谁就更值钱。

从流量获取方向上我们大方向可以分为线上流量与线下流量，就线上流量而言又可以分为广告流量和内容流量，有效的建立企业的内容流量获取矩阵，能有效的提升线上流量的直接转化从而提升公司业绩。

企业的内容产生其实极为讲究，好的运营内容应该以产品或服务为核心结合热点，完成对粉丝和种子客户的维护。我们把内容运营分层建立，以“产品+品牌价值”为核心，依次完成内容运营的矩形阵地搭建。

内容生产分类如下：

产品+品牌相关：产品上线、产品功能、企业品牌大事记等等。

产品+行业资讯：产品服务、行业的资讯新闻、行业新事件等等。

产品+受众群体：产品本身、受众人群生活应用、场景应用、种子客户资讯内容等等。

辅助专题与热点的完成一虚一实的模型配合。

内容分发就是把内容推出去给目标群体去消费，这个消费不一定是真的掏钱付费增涨，而是包括阅读、转发、收藏、关注等行为。简单地说，就是让你的好内容被看到，让你在全网的阅读量上去。

02 多管齐下的内容分发战

好的内容除了好的生产还要有好的分发，一个企业要建立一套属于自己的内容分发矩阵，好的内容分发矩阵往往比内容本身更重要。

那么我们该如何建立自己的内容分发矩阵呢?

1.了解各大平台特点，给渠道进行分级

内容分发之前，要了解各大平台的特点给渠道进行分级，按照：钻石、黄金、白银、青铜、分为不同的等级。客户群体的相关性，流量的大小，平台主流性、平台的操作难度，成为了划定等级的指标。

内容分发的第一步是挑选适合自己的渠道。

适合别人的不一定适合你，比较简单的做法是先把主流内容发布平台逐个列出来，了解入驻政策、扶持政策、推送政策等，然后用一个月的时间去试，逐渐调整重视度，剔除投入产出不高的，再加入一些有潜力的垂直渠道，逐渐形成自己的内容分发矩阵。

当然你也可以参照你的竞品的内容分发渠道。

2.关注垂直行业的内容社区

垂直领域是企业内容营销的主战场，好的垂直领域带来的内容转化和粉丝转化特别的高，甚至高于大流量平台，那是因为群体标签足够细致，客户属性足够明确，往往这样的平台需要我们下大功夫运营与维护。

比如旅游商家要关注蚂蜂窝&飞猪&携程攻略等，这些地方比其他体量大但是泛行业的内容平台相比，离客户更近，离交易更近。

垂直内容社区的优势：

1)垂直且专业的内容，可以精准锁定目标客户

由于内容垂直于某一领域，准入门槛相对更高，提供的信息也更为专业、全面和权威，可以精准锁定有相关需求的目标客户。我们拿B站来说，客户想要成为B站会员可不是充钱这么简单，必须要先完成平台所出的题目，达到50分才能成为会员，从准入门槛上就已经过滤掉一部分与平台调性不那么契合的客户。

另一方面，移动互联网时代的客户随时有能力避开自己不感兴趣的内容，而垂直内容社区的内容是基于客户主动搜索行为而产生的，能够获取到的客户更为精准。而且垂直内容平台的客户不分化，大家关注的内容相对统一，品牌想要与他们互动难度也相对较低。

2)难以复制的社区氛围，更容易获取信任

为何keep健身达人推荐的速干裤客户更愿意下单?又是为何宝宝树社区医生辟谣的育儿误区，妈妈们总是深信不疑?其实就是因为这些垂直内容社区里驻扎着输出内容的人本身足够专业，足够权威。而这些原创内容作者通过平台与客户建立深度联系，营造出难以复制的社区氛围，这种氛围给人真实感，可以消解掉客户的不信任，并激发客户的群体意识，对社区进行主动维护。

03 你的内容运营策略里，数据分析缺席了吗?

“不做数据分析的运营不是好运营!”可能很多人都听过这句话，但能做到的却很少。传统的内容制作人是不愿意承担各种数据转化指标的，但作为互联网人就不得不凡事以数据为核心评估工作效果。

我们产出了优秀的运营内容，又利用内容分发矩形阵完成了对内容的分发宣传，有些公司发出去就完了，但这个时候对内容的传播量、打开量、阅读量、转发量及转化量是我们评估整体内容运营好坏的指标，它应该是系统化的，具备数据思维图的模型展现。

想发挥内容运营的最大价值，就必须学会数据分析，掌握数据采集，数据分析，数据反馈!

1.数据采集：了解目标客户和竞争对手

只有准确理解目标客户，我们才能输出贴近客户需求，引起客户共鸣的内容。

为了理解客户，我们要尽可能地采集更多客户信息，包括客户线上、线下行为。例如，客户在线上搜索了哪些问题、在社交媒体的哪个话题上比较活跃、喜欢点击哪些内容等等这些线上行为都是我们了解客户所需要采集的信息。客户行为数据采集是为了让我们了解客户的兴趣爱好，以及客户共同的行为特征。之后我们就能按照客户共同的兴趣爱好和行为特征将客户进行分组，并针对不同的客户群体产出针对性的内容。

除了采集客户行为数据外，我们还要采集竞争对手的行为数据，例如，他们开发了什么内容;在什么渠道推广;这些内容给他们带来了多少新客户，多少转化等等。通过了解竞争对手的表现，我们可以推测哪些关键词或者主题能够引起客户更多的关注、客户对哪些内容毫无兴趣并且尝试创新，找到突破口，创造一些新鲜的内容来赢得客户的心。

数据采集的目的是为了让我们更好地理解目标客户和竞争对手。我们可以根据这些数据来思考如何给自己的品牌增值，如何产出差异化的内容吸引客户。

2.数据分析：辨别最有效的内容推广渠道

在我们产出了针对性内容之后，接着就是如何通过最有效、影响力最大的渠道去推广这些内容。在官网博客分享远远不够，不管我们产出的内容多么符合客户需求，如果客户从来没有看到过这些内容，那么我们纯粹是在浪费时间和精力。

推广渠道很多，例如邮件推送、投放付费的展示广告、与对目标客户影响力较大的大V合作或者简单的重复营销等。不管是哪个推广渠道，我们需要通过分析目标客户行为数据和竞争对手行为数据来确定。

数据分析能让我们杜绝盲目的推广。我们可以通过分析不同内容发布渠道的不同表现，找到客户反馈最好的发布渠道。

3.数据反馈：证明内容的价值

在内容产出并推广之后，我们要评估我们产出的内容，同时证明我们的付出所产生的价值。

客户是如何与我们的内容互动的?我们的内容有没有引起大量的讨论?客户在接触我们的内容后有哪些行为?······诸如此类的分析可以让我们对内容价值有清晰的了解。

对于一些品牌来说，设置内容投资回报率很困难，但是我们可以通过代理指标来描述内容产生的影响。我们可以使用不同的评分系统给不同阶段的参与度做评估，并对比不同的内容模块产生的效果。

例如，点击浏览内容1分，更进一步的参与如点赞2分，收藏内容3分，分享内容4分，然后评估不同评分级别的增涨习惯。最终，我们可以得出这些评分数据和销量数据之间的关系。销量越高，可以证明我们产出的内容价值越大。

4.6个魔法指标

即便你的团队在数字方面不强，也可以用下列6个魔法指标来评估你的努力。

消费量—网页浏览数、视频浏览数、文章浏览数、下载量和社会化媒体提及率。

分享—喜欢数、分享数，微博数，转发数、外部链接数。技巧：确保所有内容是可分享的。

销路拓展—完成填表并下载，email、博客订阅，博客评论以及你的转化率。

销售—通过内容影响线上和线下销售。

思想领导力—成为特约博客的请求数量。

忠诚度—主张、推荐和口碑。

如果你只是追踪，并没有搭建任何评估体系，最好花点时间，让一些重要的东西到位，这样你可以准确地看见你在哪里，并且评估你的进步和演进。

你能更好地了解将你的营销内容放在哪里，比如，哪种内容对你而言的效果最好?哪些关键词?哪些平台?，对于你的公司来说，你将能创建更多工作来帮助驱动底线。

如何做好运营数据分析报告？作为运营狗来说，我们都把每个活动当做自己的孩子，每次都要为一个所谓的“小活动”付出巨多的心血：上线前的活动策划、沟通安排、开发测试、活动预热、投放渠道等；上线时的各种监测，唯恐出现一个bug；活动收尾时如何通知客户、如何派奖等，一堆事情，简直忙到爆！

活动结束了，你的工作并没有结束，老板随即就会问你：”这次活动效果怎么样？来了多少新客户？转化了多少订单……”。其实，活动结束了，你的工作才刚刚开始，那就是“活动效果分析报告”。

活动效果分析报告，其实主要分成：本期活动分析总结、下期活动计划&预期；

总结：无非就是分析本次活动的数据效果怎么样；要是曾经有做过类似的活动，还要需要了解环比情况呗，我们一个一个说；

注：每个网站，每个活动可能关注的数据都不一样，我简单从几个常见数据入手，仅供大家参考哈！

1、访客数据：PV、UV

怎么看这些数据，不是傻傻得把活动期间每天的PV、UV都告诉给领导，没用的！

（1）活动期间 VS 非活动期间

两者相比，才能知道因为活动网站多了多少的流量，才能体现活动的价值啊！才能体现你的“辛苦”啊，��。我主要看两个期间的日均，如下。

另外，可以对比活动期间& 非活动期间的人均访问次数，看看访问次数是变多or变少，或许能有一些意外发现哦！

（2）活动期较长的话，还要对比下每周的数据。

比如这是活动两周的数据对比，10/19-10/25这周的PV、UV都有所上升（这张图中，两周数据差别不算大，我们假设两周差别较大的情况），那就思考是什么原因：是不是随之时间推进客户对活动越来越感兴趣（研究活动的周期波动规则，比如竞赛排名的活动一般都是最后时刻参与的客户较多，大家都想最后博下拿奖）？还是活动产品新上了什么小功能（比如，我们之前的活动中后期就多加了一个分享的功能，数据就有不错的反馈）？或者是10/19-10/25这周是不是进行了新的运营（比如短信推送、微信号推送等）？

（3）环比同比

若活动不是第一次弄，那肯定要和往期活动进行一个对比，即环比情况；“同比环比”这个指标应该对于运营童鞋一点都不陌生，经常看有木有。在这数据工具里面，直接找环比增长值或者环比增长率，一般是看环比增长率，不过看你自己的需求；要是这个活动是每年定期某个时间点的活动（比如双十一、过年固定活动），那完全可以选择“上年同比值、上年同比率”，马上就可以知道今年活动相比去年数据到底是高了还是低了。哈哈，数据要是高了都好说，要是低了估计领导得请你喝咖啡咯！！��

2、网站注册人数：（或者有的网站可直接统计活动注册人数）

（1）活动期间 VS 非活动期间

同上分析，了解活动期间到底每天能带来多少新的客户？一周内每日的注册变动趋势是否跟非活动期间是一样的（比如，是周末高于工作日）？

（2）活动期较长的话，还要对比下每周的数据。

同上分析，分析下各周的注册人数趋势有没有什么规则可言。

（3）同比环比

同上分析即可。

（4）注册人数方面，重点强调一点：是不是都为有效客户，换言之有没有存在刷单客户，这个很重要，问题也很严重。之前，我们做了一个活动，第一期结束，马上从数据中发现刷单的客户特别多，立马在第二期上了防刷机制。当然大部分判断刷单客户的机制在之前的活动方案的风险中应该提前考虑到，但活动中可能会有一些意料不到的事情，比如我们之前的活动，没有考虑到某些风险确实是问题，但是若能及时发现、解决，并作为之后活动的经验，这未尝不是进步呢？

3、活动参与人数、活动页面登录人数

这个数据每个活动都要看，主要了解本期多少人参与了活动，每天参与的情况是怎样的一个走向？其他数据可参看以上维度进行分析！！！

这里多加一个分析维度：即参与人数中新老客户的分布情况，了解你们网站新老客户的价值，当然大部分网站必然是老客户价值大！老客户中，还可以了解他们的活动积极性（即除了这次，还参与了哪些活动，贡献大不大）

——这个分析维度适用于参与人数、转化情况、优惠券等。。。

4、活动转化情况（转化人数、转化金额）

转化情况多指：交易（电商增涨、O2O下单等等），充值情况等；当然这个数据不是每个活动都需要了解，比如一些互动活动；其他数据可参看以上维度进行分析！！！交易转化数据还要记得分析：访问、下单、真正增涨漏斗情况（这个之前说过，可参考我的另一篇文章《作为运营，你知道你的客户”流失“了多少吗？》）；还有分析人均增涨额、人均增涨次数等等；（这些你们应该都懂，不多说）

5、优惠券数据

优惠券发放、使用等数据，这个很重要勒，这关乎到活动的回报率，换言之关乎到这个活动到底是赚了（多少）还是赔了（多少）（当然评估赔赚的指标不止这个，但是这个很重要，尤其对那些狂补贴的活动）。这个一定得好好分析，不然下次活动可能领导不给批了，啦啦啦！其他数据可参看以上维度进行分析，你懂得！！

6、不同玩法的对比

每期活动可能有不同的玩法，记得要对比下那个玩法更吸引人哈！

7、分享情况

这个比较简单，主要评估下分享功能是否在活动中受到大家的喜爱，互动效果如何！

8、各个平台对比、各个渠道对比

这个也不多说了，分析每个平台、渠道的效果，评估每个平台、渠道的质量，这个尤其对你们网站的渠道投放还是很重要的。这个数据分析维度可以包括以上7点！哈哈，这数据就多啦……

我只是提了几个常见的数据指标，大家可以对比自己的活动选取部分的数据维度，或者根据需求增加一些数据分析的维度，因“活”而异哈！

最后补一句，那些数据做出来不是傻傻看的，一定要记得从数据中发现问题，发现规律，总结经验，在下次活动要尽量优化、避免。发现好的方面，也要继续延续下去啦……

大数据及移动互联网时代，每一个使用移动终端的人无时无刻不在生产数据，而作为互联网服务提供的产品来说，也在持续不断的积累数据。数据如同人工智能一样，往往能表现出更为客观、理性的一面，数据可以让人更加直观、清晰的认识世界，数据也可以指导人更加理智的做出决策。

数据驱动的时代，无论你的工作内容是什么，掌握一定的数据分析能力，可以帮助你更好的认识这个世界，更好的提升工作效率。

数据分析流程主要分为五个关键环节：明确数据分析目的、明确数据源及数据口径、数据处理、数据分析、输出。

一、明确数据分析目的

任何一件事在做之前都是有目的性的，数据分析也是如此，在进行数据分析之前首先要明确数据分析为什么要做？下面通过客户、需求、场景三要素拆解法来明确数据分析的目的。

1、客户

这里提到的客户是指数据分析内容或者结果给谁看？这里的目标客户主要分三类：你自己、企业内部业务部门、外部客户。这里主要对后两种进行解析。

企业内部业务部门：

这类客户通常会通过制定不同策略提升企业某些指标的提升，可以是市场部门、运营部门或者是维系部门。他们往往指导企业内部积累了大量数据，但是不知道如何使用，如何通过数据分析形成有效的决策。

外部客户：

这类客户通常不具有某一领域或多个领域的行业数据，希望通过这些数据了解他的客户或市场，而恰巧你的企业具备这样的数据，这种情况下通过数据价值变现，形成对外的数据分析输出，对外部客户来说可以更好的了解市场，对于你来说也可以通过数据形成价值变现，为企业带来收益。

2、需求

你的客户即数据分析问题提出者为什么要做数据分析，他们是希望通过数据分析发现问题还是希望提升某个业务指标，这些都是在做数据分析前需要了解的，只有了解了需求才能制定更合理的数据分析思路（后面会介绍到数据分析方法）。

3、场景

场景更多体现的是数据分析的场景，如业务部门想了解客户在注册流程中的客户流失原因，那么这就是问题的场景，要根据场景去定义问题，梳理数据分析思路，选择数据分析的方法。

二、明确数据源及数据口径

1、数据源

数据的获取主要有三种方式，第一种通过一些基于前端页面的数据采集工具获取，如GrowingIO等可视化的数据采集产品；第二种是在产品设计过程中通过数据埋点的方式，在需要数据时可以进行简单提取，这种方式的前提是在产品规划阶段就已经对未来的数据获取提前做好了准备；第三种是如果前期没有进行功能埋点、可视化的采集工具也无法获取数据时，找研发团队通过后台脚本或技术研发的方式获取数据。

2、数据口径

数据口径，即定义某一个数据指标的含义。举个简单栗子来说，针对于客户流失指标的定义，不同的产品或者不同的领域会有所不同。对于普通电商产品来说，客户三天之内没有登录或增涨就是流失，但是对于奢侈品电商来说，仅仅用几天没有登录或增涨即算作客户流失是不合理的。

对于数据口径的明确，需要结合数据分析任务提出者的需求以及具体业务场景，定义清晰的数据口径对后面的数据处理以及数据分析具有关键的意义。

三、数据处理

数据处理阶段主要做的工作是数据清洗、数据补全、数据整合。

1、数据清洗

发现数据中的异常值，如对连续多天的客户登录数据进行处理时，如果有一天的登录数远远超过正常值，那么就需要分析，该天是否有重大营销活动，还是采集数据时出现的错误，通过异常值不仅可以发现数据采集方法的问题，同时可能通过异常值找到数据分析的目标。比如对信用卡诈骗的分析，就是通过查找异常数据的方式。

2、数据补全

针对数据缺失的情况如何解决，一种方式是根据数据前后的关联关系填充平均值等方式，另一种则是直接选择丢失该条记录不用于数据分析。两种方式各有优劣，建议结合具体问题具体分析。

3、数据整合

在采集数据时，不同类型数据之间可能存在潜在关联关系，通过数据的整合，丰富数据维度，更利于发现更多有价值的信息。如客户注册数据与客户增涨数据相关联，可以通过客户的基础属性信息判断客户增涨的商品是自己使用还是送人等等。

四、数据分析

数据分析思路又叫数据分析方法，数据分析一定是以目的为导向的，通过目的选择数据分析的方法。通常来说主要有以下集中分析思路

1、异常分析

通过数据分析发现异常情况，找到解决异常问题的方法。

2、寻找关联关系

关联关系也可以成为购物车分析，耳熟能详的沃尔玛尿布与啤酒的案例就是关联关系的最佳实践，通过分析不用商品或不同行为之间的关系，发现客户的习惯。

3、分类、分层

通过客户特征、客户行为对客户进行分类分层，形成精细化运营、精准化业务推荐，进一步提升运营效率和转化率。

4、预测

通过客户历史行为预测客户未来可能的行为，提升客户感知和使用体验。

五、输出

在前面层提到，数据分析的目的是通过数据清晰的了解客户、产品和当前业务形态，从而得到有效的战略决策指导下一步的发展。

如何通过数据清晰了解客户、产品和业务生态？一行行枯燥的数字是无法让业务部门或外部客户直观了解数据背后的含义的，所以需要通过数据可视化的方法，简单来说就是将一行行的数据转化为图表，直观化展现数据的趋势、数据之间的关联关系等等。

在对数据可视化时，需要着重考虑数据有几个维度、数据要向看的人展现什么，这些都影响着数据可视化的形式。

如针对注册客户男女性别比例的展现可以用饼状图，展现注册客户数随时间变化的增长趋势可以用曲线图，展现注册客户归属地可以通过柱状图或地图等等。在选择可视化方式时，要充分考虑数据的特点以及希望用图表展现出来的内涵是什么，这样才能用合理的方式展现出更直观的分析结果。

此外，数据分析的输出通常以数据分析报告的形式展现，数据分析报告的主要结构如下：

• 数据分析背景
• 数据来源及数据说明
• 数据分析方法
• 数据可视化
• 数据决策

以上是一份较为正式的数据分析报告的大体框架，如果针对日报一类并不要求正式性的数据分析结果展现，则可以具体问题具体分析。

六、总结

数据分析方法论一定是为指导具体工作实践而服务的，所以仅仅掌握方法论并不够，还要通过实践不断完善优化方法。只有当你真正去做数据分析这件事时，才能发现自己的不足，说再多不如直接去做。

作为一名程序员，也许你还没有直接和数据打交道。但是，我确信你的老板已经开始重视数据，并已经思考如何通过数据来优化业务结构了。

在这个数据为王的时代，数据分析应该成为每一个程序员的能力外延。因为在我们的职业生涯中，必定会用到数据分析的技能，只是时间迟与早的问题罢了。

比如前段时间大家都在吵着北京的租房价格上涨了，但到底涨没涨，微博微信吵了一圈我也没看到权威的回答。有个程序员，他就很厉害了，只花了一天时间把各个租房平台的相关信息爬了一遍，然后根据这些数据，迅速分析并预测出北京近几个月房租的变化走势。

先不说最后的分析结果如何，这位网友就因为懂一些数据分析方面的知识，很快就能知道网上几百万人都想不明白的问题。

你要知道，你的公司也一定将会迎来需要进行数据分析挖掘的阶段。当机会来的时候，大部分人都毫无头绪，一脸茫然。如果此时你能给出一个清晰的思路和解决方案，就会真正意识到，数据分析能力，可以让你未来至少 10 年的技术生涯游刃有余。

但是一提数据分析，很多人就觉得无从下手，那么到底该怎么学呢？

其实真的没那么复杂，你只需要做好这三件事：

1、找到一个实力与经验俱佳的“教练”，从思维、工具、实战带你“即学即用”。

2、制定一份正确的学习计划与路径，你真正需要的是好方法而不是蛮力。

3、有效工具的运用会让你事半功倍。

专栏最与众不同的地方是能让你得到：

1、收集数据、处理数据、得到结果的硬核能力，它会让你在工作中游刃有余。

2、每篇文章都有“思维导图”与“专属题库”，必知的全套工具让你即学即用。

3、培养数据和算法思维，技术上的思维模式，还有日常工作解决问题的思维方式。

4、拥有更强的竞争力。要知道无论是当前火爆的人工智能，还是数据算法工程师的市场，都看重数据分析和数据处理的能力。

5、清晰的学习路径，业余时间彻底掌握数据分析这个硬核技能。

很多人可能不知道，「行为分析」四个字的分量已经代表了近两年一些高速成长的公司对数据分析需求的精细化程度，同时，它也催生出了新一代的数据分析工具和分析方法。

过去，所有人都在关注PV、UV、跳出率、访问深度、停留时长，还有很多人始终放不下的热力图等，总体来说，这些指标都属于统计指标，反映的都是产品总体情况，数据的价值除了反映现状，还有更重要的是应用。统计是数据汇总整理的结果，没有分析，怎能拿来指导业务增长呢?

当然，可能指导过。比如一款阅读产品，通过文章详情页的停留时长可以判断客户对文章的喜好程度，但是，他可能在滑动屏幕看文章、可能在评论区输入一段评论，当然，也可能没看文章却登录了诸葛io的官网看当天的实时数据。所以比起客户在该页面所花时间的汇总，客户是否是在看文章还是在评论以及评论的内容是什么对我们更有指导意义。

技术在发展，时代在召唤，所以，行为分析，你需要了解并且知道如何应用。

一、什么是客户行为分析

一口气说：基于客户在互联网产品上的行为以及行为背后的人发生的时间频次等维度深度还原客户使用场景并且可以指导业务增长。

慢点说：对客户模型做关键补充。通过行为数据的补充，构建出精细、完整的客户画像。传统统计工具的数据背后没有人，所以也谈不上客户模型（画像），一个完整、多维、精确的客户画像=客户行为数据+客户属性数据。

比如要做好积分商城运营，就需要基于企业核心业务场景搭建会员互动积分商城系统，根据行业场景，还需要有完善的积分商城建设方案，提供符合人群特征的丰富商品、便捷的兑换、快捷的物流、完善的售后，还需具备创意化营销策略，通过积分培养客户习惯，以此提高会员活跃度，增加客户黏性，提升企业形象。

二、客户行为分析在应用中的价值

关于影响数据结果和判断的三个维度：

1.product-market fit（PMF:产品-市场契合点）

意思是产品符合市场需求。比如你做了个社区电商平台，拿一个demo产品投向市场，可能这个阶段不会看有多少收入，而是看来了多少人，有多少人看了商品链接，有多少人真正支付了，这个阶段客户的认可可能对你是否决定做这个项目、判断这个项目是否有市场更有决定性因素；

2.客户来源

这点是说客户质量。所有的产品核心人群都不是面向所有人的（至少一开始不是），一定有他的核心人群，所以客户来源渠道的质量就决定了数据结果的好坏，可能会影响你对项目、对产品的判断和决策；

3.产品本身

第三点落脚到产品上了。产品承载着你的商业模式，产品本身的功能设计、客户体验、迭代以及运营策略等都会影响数据、影响留存、影响项目的生死。

基于以上理解，我们看行为分析的重要性，基于行为分析，需要让CEO对产品所切入的市场判断更准确，让市场推广人员精细化评估渠道质量，让产品设计人员准确评估客户行为路径转化、产品改版优良、某一新功能对产品的影响几何，让运营人员做精准营销并且评估营销结果等。

所以，价值在哪儿呢？罗列4点

1、自定义留存分析

从前：我们通常会认定一个客户只要打开APP就算当天的一个活跃客户，今天新增的客户只要明天启动一次APP就认为是一个留存客户；

现在：基于客户行为，我们可以做精细化留存评估。根据产品特性自定义客户留存，比如一个阅读类产品，客户打开APP后有没有去浏览或是查看一篇文章，我们可以把今天来了查看了至少一篇文章的客户算作今天的一个活跃；

意义：留存是反映任何一款产品健康度的高级指标，无论是运营好坏、产品功能设计如何，最终都可以通过留存衡量整体的情况，贴合产品业务本身去衡量留存，精细化评估产品健康度，让留存数据更有价值和指导意义。打个比方，比如像麦乐积分网站支持手机积分商城，pc免费积分商城，app积分商城，注册即可使用。标准积分商城api接口对接客户积分系统，简单配置页面即可上线，助力企业客户低成本运营管理。

2、精细化渠道质量评估

从前：流量时代，评估渠道带来了多少访问人数，注册人数。

现在：人口红利期已过，产品推广渠道在增多，产品越来越垂直，加上同质化竞争直接导致获客成本变高，无论从市场执行人员的角度还是公司角度，都在评估ROI，除了看流量，更需要看质量。如何评估质量，需要基于客户行为并且贴合业务去评估，一款理财产品，通过不同渠道带来的客户，真正查看了理财产品详情的有多少，真正投资成功的又有多少，哪个渠道客户又有邀请行为，最后留存最高的是哪个渠道，再结合渠道投入，计算ROI。

意义：降低渠道成本，提升渠道转化。

3、产品分析（路径转化/漏斗分析、找到产品改进关键点、找到促进核心转化的相关因素、Aha moment等

路径转化/漏斗分析：关注核心转化，比如注册转化、增涨转化，从而优化流失节点，优化行为路径设计

找到产品改进关键点：用数据量化产品核心功能，让产品迭代排期更科学，部门配合更高效

找到促进核心转化的相关因素：挖掘促进客户触发核心行为的关键行为，比如可促进客户实现增涨的某些因素，找到相关行为做优化或运营激励

Aha moment（惊艳一刻）：快速执行，超出客户预期，让产品指数级增长。

4、精准营销（客户分群、客户分层、活动质量评估）

从前：面向所有客户或者基于客户属性维度做营销、做服务。属性包括：注册账号、手机号、性别、年龄、地域、积分和一些标签。

现在：属性+行为，无限接近真实客户。通过客户点击查看商品详情、搜索行为、点击关注某款理财产品的关注按钮、增涨了个东西等等这些行为以及行为触发的人、时间、频次知道客户最近在关注什么、对哪一类商品感兴趣、对哪一类文章感兴趣、哪种理财偏好。

意义：用行为维度和属性维度共同去定位客户在产品的生命周期以及真实生活场景中的角色。营销更精准，客户体验更佳。

产品经理如何通过数据去分析问题？无论产品处在什么阶段，数据反馈出来的需求一定是最直接的，也是最有效的。那么针对于业务本身来说，如何通过数据去分析呢？

举一个例子说明——背景是外卖的一个产品，外卖产品其实有两个很核心的问题要解决：

1.平台如何高效且合理的把平台流量分配给各条业务线（外卖、商超、送药等）？

2.各条业务线如何把流量高效且合理的分配给商家？

以上是做为外卖产品经理要重点去解决的。此时针对业务侧自然会提到一个问题——当前的流量是否分配合理？作为产品经理应该如何去做呢？

一、和业务方定义问题点

定义问题的基础思路主要分为两个点：理解问题（即想清楚这个问题到底是什么？）、定义问题（即用数据框架拆解出这个问题）。

针对于外卖平台业务方提出的流量分配问题来说，产品经理需要理解的是如何通过资源配置实现客户和商户进行更有效率的交易方案，那么平台方需要做好两件事：匹配人的需求和匹配供给的需求。

接下来再来定义流量的分配，那么需要查看一段时间内平台的流量，将每天的流量拆一下，可以总结成这个公式——每日流量=每日客户数*日均客户使用频次。

从这几个方面和业务方沟通并澄清后，其实通过数据对流量的产生时间、流量的来源渠道、流量的转化路径和各维度下流量的分配这四个角度有一定的认知了。

二、规划分析的框架

第一步针对于产品数据和业务侧梳理清晰后，接下来再来聊通过样本来梳理出分析的框架。

通过拉出来的全部数据分门别类的整理出来这五个维度的全部数据。当然这些数据日常做为基础数据应该要有必要整理。遵循几点：基础数据（关乎产品常规数据和业务数据）日日导，辅助数据（关乎转化率过程）周周导，挖掘数据（分析流量成本、质量等）月月导。

整理完成以上数据后，接下来到了最重要的环节。以上数据的真实含义是什么？定义维度是否一致的问题？

三、规范数据内容

这是在处理数据的初期需要和业务方进行约定的。数据指标必须通过清晰的注释来解释数据的含义。否则每个业务方对同一指标都有不同的含义。那就没有办法整了。

同样在取数据的情况下也要说明包含的数据维度。如果想要取不同地区的不同产品形态的外卖一周交易金额指标。

其中需要定义以上每个指标的含义。这样技术在处理问题的时候才知道该怎么做。（尽管产品经理认为这很简单嘛~但是毕竟要给技术开发用的，并不是每个技术都深挖业务需求，对吧。）

至此以上需要分析的数据都已经整理完毕。最后需要产出结论。

四、产出分析结论

不能单纯的把数据直接丢给领导和业务去看嘛。一定是通过有效的图表和分析结果做有效的反馈。比如一般可以通过这几种分析方法和图表。

的确以上都是数据分析师该做的，作为创业公司，基本上产品经理需要针对数据做出有效的分析。其实还涉及到很多细节方面的问题，对很多人来说，关键不是没数据，而是不知道怎么用，说白了，经验太少,遇到复杂的问题就发蒙。

关于数据分析，作者分享了一些看法，希望能够对你有所帮助。

从广义来讲，数据是反映产品和客户状态最真实的一种方式，通过数据指导运营决策、驱动业务增长。数据可分为2种情况：数据监控和数据分析。

什么是数据监控？

数据监控是及时、有效的反馈出数据异常的一种手段，通过对数据的监控去观察是否异常，进而分析数据。

什么是数据分析？

数据分析是以业务场景和业务目标为思考起点，业务决策作为终点，按照业务场景和业务目标分解为若干影响的因子和子项目，围绕子项目做基于数据现状分析，知道改善现状的方法。

数据是产品和运营人员工作中重要的一部分，运营人员常说的一句话是“数据在手，天下我有”，任何事情都要以数据来说事。作为一名运营人员，我们在做运营策略的同时，需要分析大量客户数据，去观测客户行为和客户画像。同时我们应该要关心每个数据指标的增长，防止产品出现BUG，影响到我们的最终数据指标。那么我们要怎么及时发现数据异常呢？

以现金贷为例，每天我们都有大量的客户在进行交易行为，如果是有一个小时突然没有客户的交易数据，很少人会随时发觉，往往都是客户打电话询问客服“为什么APP登录不上”“为什么我提交不了资料”等等，这时大家才会发觉APP出现故障。

所以我们要做数据监控。

对于数据监控首先我们要明确几个点

• 明确监控目标
• 监控哪些数据
• 监控这些数据每个背后的意义是什么
• 数据预警

现在让我们来讲下：

1.监控哪些方面的数据？

首先关注每个环节的基础数据指标（以现金贷的基础数据来举例）

注册客户数
填写基础资料客户数
授信获得额度
发起提现客户数和发起提现金额
成功提现客户数和成功提现金额
监控这些数据每个背后的意义是什么？
通过监控每个业务环节的基础数据，如果数据异常，可以快速定位哪个环节出了问题，进而进一步的分析。

2.数据预警

数据预警是通过各种数据维度的比对发现数据异常。

预警即通过数据采集、数据挖掘、数据分析，对已经存在的风险发出预报与警示

当数据出现问题时迅速作出反应，可第一时间通知到所有人，这样就能快速发现问题。

数据预警有5个点需要明确：

①量级指标与转化指标的确定

量级指标即每个环节的数据指标，量级指标存在的意义是可以通过我们的加工成为我们想要的数据。

转化指标即每个环节的转化，通过观测转化指标可以快速定位出哪个环节出了问题。

②每个指标正常波动范围的确定

每个指标要根据历史的数据设定一个正常浮动范围。可以从以下4种数据维度去确认正常波动范围。

同比数据（与上周同一天同时段进行对比）
环比数据（与前三天同一时段的平均值进行对比）
每个环节的转化（与前N天每个环节的转化进行对比）
每个小时增幅（与前N天每个小时增幅进行对比）
举个例子，根据数据分析得出，注册客户量环比前3天的平均值的正常浮动范围是±20%。

③触发条件的确定

数据预警的触发条件要确定，通常是低于正常浮动范围就会发出预警

④预警周期与频次的确定

预警的周期通常是一天，频次半个小时一次或一个小时一次。

⑤预警方式

一般预警方式有三种

• i短信通知
• ii钉钉群通知并@所有人
• Iii Email通知

监控数据只能快速的发现数据出现异常的大概范围，不能精确地定位到具体的问题上。有人会说，那我把所有的环节都拆分为细小化颗粒，做好监控自动触发，

其实这个不是不行，这样的话一旦你一个细小化的环节出现异常而发出报警，关联到的其他细小化的指标都会受到影响从而也发出报警，这样的话太多指标发出报警，会造成你的干扰。

这是数据有效监控的一个流程，当有数据异常的时候，系统就会触发条件快速通知你，这时候你要做的就是看哪个环节出了问题。这个时候就要进行数据分析。

3.数据分析有4种方法

（1）单项分析

趋势洞察、渠道归因、链接标记、漏斗分析、热图分析、分群分析、A/B分析、留存分析

（2）组合分析

针对某个细分点，进行多维度组合分析。

（3）客户场景分析

时间、地点、需求。

举例：客户早上注册时间点

（4）建模分析

流失预警分析、客户激活分析、付费决策分析

举个例子，注册客户数急剧下降的原因，我们用组合分析，针对注册客户数这个细分点，进行几个维度的分析并得出原因。

• APP网络是否正常
• 推广注册页是否有异常
• 获取短信验证码是否有异常
• 设置手势密码是否有异常
• 分析哪个渠道的注册客户数下降并得出原因

5.分析数据要用什么去展现呢？

有2种方法：

（1）自动图表化：可以从数据后台刷选出我们想要看的数据，并且每个版块都制成图表，便于我们快速查看。举例：神策系统——把客户每个触发行为都加上埋点，按时间维度去查询我们想要的数据。

2）手动图标化

最常用的有以下几种图表：

（1）柱状图

柱状图通常描述的是分类数据，用于显示一段时间内的数据变化或显示各项之间的比较情况。

（2）折线图

折线图可以显示随时间（根据常用比例设置）而变化的连续数据。

（3）饼图

饼图以二维或三维格式显示每一数值相对于总数值的大小。

（4）条形图

条形图显示各个项目之间的比较情况。

（5）散点图

散点图也叫 X-Y 图，它将所有的数据以点的形式展现在直角坐标系上，以显示变量之间的相互影响程度，点的位置由变量的数值决定。

（6）漏斗图

漏斗图适用于业务流程比较规范、周期长、环节多的单流程单向分析，通过漏斗各环节业务数据的比较，能够直观地发现和说明问题所在，为决策者提供一定的参考。

（7）面积图

面积图又叫区域图，面积图强调数量随时间而变化的程度， 它是在折线图的基础之上形成的, 它将折线图中折线与自变量坐标轴之间的区域使用颜色或者纹理填充，颜色的填充可以更好的突出趋势信息。

以上7种图表都是在分析数据中经常使用的，可以根据分析数据的展示去选择不同的图表。

总结

数据监控和数据分析对于运营来说是非常重要的，做好数据监控，减少产品出现bug，影响客户的体验，减少重大事故的发生。

对于监控数据笔者仍在学习阶段，以上是最近工作中的心得分享，希望能给大家带来一些思路！